Forderungsanalyse und Anfechtungsprüfung im Insolvenzrecht

Das echte Ausmaß des Problems

Für Insolvenzverwalter ist die Anfechtungsprüfung kein Nebenthema. Sie ist eines der wichtigsten Instrumente zur Massemehrung — und eines der zeitaufwendigsten. Wer ein Unternehmen mit zehn Jahren Geschichte abwickelt, sitzt auf einem Buchungsarchiv, das selbst gut organisierte Schuldner kaum überschaubar macht. Bei schlecht geführter Buchführung kommen unleserliche Kontoauszüge, fehlende Belege und Parallelkonten hinzu.

Die rechtliche Komplexität macht es schlimmer: Anfechtbare Transaktionen sind keine einfachen Ausreißer. Es sind Zahlungen, die bestimmte objektive Kriterien (Zeitraum, Vertragspartnertyp, Gegenleistung) mit subjektiven Elementen (Kenntnis der Insolvenzreife) verbinden — und die Kombination variiert je nach anwendbarer Norm. §§ 130, 131, 133, 134, 135 InsO haben unterschiedliche Rückblickzeiträume, unterschiedliche Anforderungen ans Beweisbild und unterschiedliche Verjährungsfristen.

Ergebnis in der Praxis:

• Mittelgroße Verfahren (Jahresumsatz 5–50 Mio. €) haben typischerweise 20.000 bis 100.000 relevante Buchungszeilen aus dem maßgeblichen Rückblickzeitraum
• Die manuelle Analyse eines solchen Bestandes dauert 4–8 Wochen bei einem Fachanwalt für Insolvenzrecht — bei intensiver Nutzung der verfügbaren Arbeitszeit
• Praxiserfahrungen zeigen: Selbst sorgfältige manuelle Prüfungen erfassen nur 60–80 Prozent der tatsächlich vorhandenen Anfechtungsansprüche — nicht weil die Prüfer nachlässig sind, sondern weil Muster in großen Datensätzen für das menschliche Auge schlicht nicht erkennbar sind
• Laut einem Bericht in der Fachzeitschrift Insolvenzrecht (Buchalik Brömmelkamp, 2024) verlagert sich die Arbeit von Insolvenzverwaltern zunehmend von manueller Datendurchsicht zu Analyse, Bewertung und Verhandlung — der Datendurchsatz ist aber unverändert das Engpassthema

Jeder übersehene Anfechtungsanspruch ist direkt verlorene Insolvenzmasse. Bei einem Verfahren mit realistischem Anfechtungspotenzial von 200.000–500.000 Euro bedeutet eine 20 Prozent schlechtere Trefferquote: 40.000–100.000 Euro weniger für die Gläubiger — und im Extremfall Haftungsrisiken für den Verwalter.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte für manuelle Prüfung basieren auf Praxisangaben aus spezialisierten Insolvenzrechtskanzleien. Die 60%-Einsparzahl bei der Forderungserfassung ist ein Pilotergebnis von Kanzleien, die Legal Twin AI Smart Claims von Septeo getestet haben (Pressemitteilung September 2024).

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Hier ist die Insolvenzrechtspraxis der klare Ausreißer gegenüber anderen Rechtsgebieten: Statt 4–6 Wochen manueller Buchhaltungsdurchsicht reduziert eine gut konfigurierte KI-Pipeline die Erstanalyse auf 3–7 Tage. Das ist kein marginaler Gewinn — es ist ein struktureller Sprung, der es erst möglich macht, das Anfechtungspotenzial mehrerer laufender Verfahren parallel zu bearbeiten. In der Vertragsanalyse spart KI vielleicht eine Stunde pro Vertrag; hier spart sie Wochen pro Verfahren.

Kosteneinsparung — hoch (4/5) Der Kosteneffekt ist direkt und monetär: Jeder zusätzlich erkannte und erfolgreich geltend gemachte Anfechtungsanspruch fließt in die Insolvenzmasse. Das ist kein indirekter Effizienzgewinn — es ist zusätzliches Geld, das sonst einfach übersehen worden wäre. Die Kosteneinsparung bei der Forderungserfassung kommt hinzu. Nicht auf dem höchsten Rang, weil der juristische Aufwand für Anfechtungsklagen hoch bleibt und nicht jeder KI-Hinweis zu einer erfolgreichen Klage führt.

Schnelle Umsetzung — niedrig (2/5) Das ist die ehrlichste Zahl auf diesem Chart. Eine funktionsfähige Anfechtungsanalyse-Pipeline braucht: Buchhaltungsexport in auswertbarem Format, Mapping der Kontenstruktur auf InsO-Rechtskategorien, ein Freigabeprotokoll für die KI-Ersteinschätzung, und — wenn ein spezialisiertes Tool wie InsoHiwi genutzt wird — einen Einführungsprozess von 4–8 Wochen. Kanzleien ohne vorhandene digitale Buchhaltungsschnittstelle brauchen noch länger.

ROI-Sicherheit — hoch (4/5) Anfechtungserfolge sind direkt messbar: Ob eine Klage zur Rückzahlung führt oder nicht, steht schwarz auf weiß in der Massebuchung. Damit ist der Nutzen nachweisbarer als bei vielen anderen KI-Anwendungen im Recht. Einschränkung: Die KI liefert Ersteinschätzungen, keine Erfolgsgarantien. Ob ein Anfechtungsfall gerichtlich durchsetzbar ist, entscheidet der Anwalt — die KI erhöht die Trefferquote bei der Identifikation, nicht die Erfolgsquote bei der Klage.

Skalierbarkeit — mittel (3/5) Jedes Insolvenzverfahren bringt eine andere Buchführungsstruktur, andere Kontenrahmen, andere Datenqualität. Eine Pipeline, die perfekt für einen DATEV-Export eines Handelsunternehmens konfiguriert ist, muss für einen Produktionsbetrieb mit SAP-Finanzbuchhaltung angepasst werden. Das begrenzt die Skalierbarkeit: Man kann Lernkurven zwischen Verfahren nutzen, aber kein System einmalig aufsetzen und dann beliebig anwenden.

Richtwerte — stark abhängig von Verfahrensgröße, Buchführungsqualität des Schuldners und gewähltem Toolansatz.

Was die KI im Anfechtungsrecht prüfen muss

Bevor du ein Tool auswählst oder konfigurierst: Hier ist das juristische Substrat, das die KI abbilden muss. Wer diesen Teil überspringt, konfiguriert an der falschen Stelle.

Die Insolvenzanfechtung nach §§ 129 ff. InsO erlaubt dem Insolvenzverwalter, bestimmte Rechtshandlungen vor Verfahrenseröffnung rückgängig zu machen. Für eine KI-gestützte Analyse sind fünf Normtypen relevant — mit sehr unterschiedlichen Prüfanforderungen:

§ 130 InsO — Kongruente Deckung (90-Tage-Frist) Zahlungen, auf die der Gläubiger einen fälligen Anspruch hatte, sind anfechtbar, wenn sie in den letzten 90 Tagen vor dem Insolvenzantrag geleistet wurden und der Schuldner zu diesem Zeitpunkt zahlungsunfähig war oder der Gläubiger die Zahlungsunfähigkeit kannte. Die KI muss: Alle Zahlungen in diesem Zeitfenster extrahieren, den Zahlungsunfähigkeitszeitpunkt aus Liquiditätskennzahlen plausibilisieren, und Gläubiger-Dauerkunden mit längerer Geschäftsbeziehung als Kenntnisindizien markieren.

§ 131 InsO — Inkongruente Deckung (90-Tage-Frist, schärfer) Hier genügt, dass die Deckung nicht in dieser Art geschuldet war — z. B. unübliche Zahlungsmittel (Sachleistung statt Geld), vorzeitige Zahlung, oder Sicherheitenbestellung, auf die kein Anspruch bestand. Diese Fälle sind für KI gut erkennbar, weil sie formale Muster aufweisen: Zahlungen außerhalb gewohnter Rhythmen, neue Sicherungsvereinbarungen kurz vor Antrag.

§ 133 InsO — Vorsätzliche Benachteiligung (4-Jahres-Frist für Deckungshandlungen, sonst 10 Jahre) Der anspruchsvollste Tatbestand. Erfordert nachweisbaren Vorsatz des Schuldners und Kenntnis des Gläubigers. Der Rückblickzeitraum reicht bis zu 10 Jahre zurück (für den Regelfall nach BGH-Rechtsprechung). KI kann hier Indizien liefern: Gläubiger, die nach Beginn von Zahlungsstockungen noch Vollzahlungen erhielten während andere leer ausgingen (Beweiszeichen für Vorsatz), außergewöhnlich hohe Einzelzahlungen an nahe Gläubiger, Druckszenarien.

§ 134 InsO — Unentgeltliche Leistungen (4-Jahres-Frist) Schenkungen und wirtschaftlich vergleichbare Zuwendungen ohne adäquate Gegenleistung — klassisch bei Gesellschafter-nahen Personen, Familienangehörigen, karitativen Zuwendungen. Die KI erkennt: Überweisungen an Privatpersonen, Buchungen ohne Rechnungsgrundlage, Zahlungen in ungeraden Beträgen ohne erkennbare Gegenleistung.

§ 135 InsO — Gesellschafterdarlehen und nahestehende Personen (1-Jahres-Frist) Rückzahlungen von Gesellschafterdarlehen und Zahlungen an nahestehende Personen (§ 138 InsO) im letzten Jahr vor Antrag. Für KI besonders zugänglich: Wenn die Buchführung Gesellschafter als Vertragspartner ausweist, sind diese Zahlungen algorithmisch eindeutig identifizierbar.

Wichtige Ausnahme: § 142 InsO (Bargeschäft) Unmittelbare Gegenleistungsgeschäfte zu Marktkonditionen sind grundsätzlich nicht anfechtbar. Eine gute KI-Konfiguration muss diese Ausnahme aktiv berücksichtigen — sonst produziert sie Fehlalarme bei Lieferantenzahlungen gegen gleichwertige Warenlieferung.

Die KI muss also nicht “irgendetwas Verdächtiges” finden, sondern spezifische Rechtslogik auf strukturierte Daten anwenden. Das unterscheidet diese Aufgabe von allgemeiner Dokumentenanalyse — und es erklärt, warum Allzweck-LLMs ohne juristische Konfiguration hier schlechte Ergebnisse liefern.

Was die KI-gestützte Analyse konkret macht

Ein typischer Workflow mit KI-Unterstützung sieht so aus:

Schritt 1: Datenbeschaffung und -aufbereitung. Aus dem Buchführungssystem des Schuldners (DATEV, SAP, Diamant, o. Ä.) wird ein strukturierter Export erstellt: alle Buchungen der letzten 4 Jahre mit Datum, Betrag, Gegenkonto-Name, Buchungstext. Kontoauszüge ergänzen als zweite Quelle. Die Datenqualität an dieser Stelle entscheidet über alles Weitere.

Schritt 2: Klassifizierung der Vertragspartner. Die KI gruppiert alle Buchungsgegenstellen: Wer ist nahestehende Person (§ 138 InsO), wer ist Gesellschafter, wer ist Hauptgläubiger, wer ist Hausbank? Diese Klassifizierung ist der kritische Schritt — sie bestimmt, welche Anfechtungsnorm überhaupt anwendbar ist.

Schritt 3: Regelbasierte Markierungslogik. Für jede Normkategorie (§§ 130, 131, 133, 134, 135) werden die spezifischen Muster geprüft: Zahlungsdatum relativ zum Insolvenzantrag, Betrag, Vertragspartnertyp, Zahlungsrhythmus (Abweichung von Vorperiode?), Vorhandensein einer erkennbaren Gegenleistung.

Schritt 4: Priorisierung und Berichterstellung. Die markierten Transaktionen werden nach Anfechtungspotenzial und Betrag priorisiert. Ein LLM formuliert für die priorisierten Fälle eine rechtliche Erstbegründung — welche Tatbestandsmerkmale aus dem Datenbild erfüllt erscheinen, welche noch ermittelt werden müssen.

Schritt 5: Juristische Prüfung und Entscheidung. Der Insolvenzverwalter oder die Fachanwältin prüft die KI-Ersteinschätzungen, ergänzt fehlende Sachverhalte (Gläubigerkenntnis, wirtschaftliche Hintergründe), trifft die Klagenentscheidung.

Die KI übernimmt Schritte 1–4. Schritt 5 bleibt immer beim Juristen — und das aus gutem Grund.

Konkrete Werkzeuge — was wann passt

InsoHiwi — Spezialisierte forensische KI für Insolvenzverfahren Die einzige mir bekannte Software, die den gesamten Anfechtungsprüfworkflow mit InsO-spezifischer Rechtslogik abbildet: Dokumentenklassifizierung, Transaktionsindizierung, Ersteinschätzung nach §§ 130–135 InsO auf Basis der BGH-Rechtsprechung. Deutsches Hosting, DSGVO-konform. Zwei Nutzungsmodelle: eigene Plattform-Subscription für Kanzleien mit regelmäßigem Volumen, oder Einzelfall-Analyse als Dienstleistung für seltenere Anwendungen. Preise auf Anfrage.

Winsolvenz mit Legal Twin AI Smart Claims — Für die Forderungserfassung Wer bereits Winsolvenz als Kanzleisoftware nutzt, bekommt mit dem Legal-Twin-Modul eine direkte KI-Erweiterung für die Forderungserfassung. OCR + LLM lesen Forderungsanmeldungen automatisch aus und übertragen strukturierte Daten in Winsolvenz-Felder. Adressiert nicht die Anfechtungsanalyse, aber den anderen Hauptprozess: die Gläubigerprüfung. Kanzleien berichten bis zu zwei Drittel weniger Erfassungsaufwand (Septeo, September 2024). Nur für bestehende Winsolvenz-Nutzer sinnvoll.

Julius AI — Für CSV-Auswertung ohne Spezialsoftware Wenn kein spezialisiertes Tool verfügbar oder das Verfahren zu klein ist, kann Julius AI den Buchhaltungsexport auswerten: Alle Buchungen hochladen, nach Zeitraum, Betrag und Vertragspartner filtern, auffällige Muster herausarbeiten. Kein InsO-Rechtswissen eingebaut — die rechtliche Einordnung bleibt komplett beim Anwalt. US-Hosting: für Insolvenzdaten, die personenbezogene Daten enthalten, nicht unbedingt DSGVO-konform. Freemium ab 0 EUR, Plus 20 USD/Monat.

Claude (über AWS Bedrock oder Enterprise) — Für Begründungsentwürfe und Textanalyse Mit einem 200.000-Token-Kontextfenster kann Claude ganze Kontoauszüge oder Buchhaltungsberichte am Stück analysieren und zu markierten Transaktionen Begründungsentwürfe für Anfechtungsschreiben generieren. Wichtig: Claude ist kein InsO-Jurist — es braucht einen detaillierten System-Prompt mit den Tatbestandsmerkmalen der relevanten Normen. Für DSGVO-konforme Nutzung: Claude über AWS Bedrock Frankfurt oder Google Vertex AI EU, nicht die Consumer-App claude.ai. Ab 20 USD/Monat (Pro), Enterprise auf Anfrage.

Zusammenfassung: Wann welcher Ansatz

• Portfolio von 10+ aktiven Verfahren, Vollintegration in InsO-Workflow → InsoHiwi
• Winsolvenz-Nutzer, Schwerpunkt Forderungserfassung → Legal Twin AI Smart Claims
• Einzelfall, kleines Verfahren, eigenes InsO-Rechtswissen vorhanden → Julius AI + Claude
• Begründungsentwürfe und Dokumentenanalyse ergänzend → Claude via Bedrock/Enterprise

Datenschutz und Datenhaltung

Insolvenzverfahren sind besonders datensensibel: Buchhaltungsdaten enthalten Personenbezüge (Mitarbeiterlöhne, Kundenidentitäten, Gläubigeradressen), Geschäftsgeheimnisse des Schuldners, und möglicherweise strafrechtlich relevante Informationen, die noch nicht abschließend bewertet sind. Das schafft besondere DSGVO-Anforderungen.

Was du vor dem Upload zwingend klären musst:

• AVV nach Art. 28 DSGVO: Jeder externe KI-Dienstleister, der Insolvenzdaten verarbeitet, braucht einen Auftragsverarbeitungsvertrag. InsoHiwi (deutsches Hosting) und Winsolvenz (EU-Hosting, Septeo) bieten AVV an. Bei Julius AI (US-Hosting) ist AVV für Standardpläne nicht enthalten — für Insolvenzdaten nicht geeignet ohne gesonderte Vereinbarung.
• Claude Consumer-App: Nicht für Insolvenzdaten. Nur über AWS Bedrock Frankfurt oder Google Vertex AI EU mit AVV nutzen.
• Anonymisierung vor dem Upload: Wo möglich, Personenbezüge vor dem Upload entfernen — z. B. Löhne durch Anonymcodes ersetzen, Kundennamen durch neutrale IDs. Das ist nicht immer möglich (Gläubigeridentität ist für Anfechtungsanalyse wesentlich), aber wo es geht, reduziert es das Risiko.
• Verfahrensgeheimnis: Insolvenzdaten unterliegen üblicherweise dem Amts- und Berufsgeheimnis des Verwalters. Cloud-Systeme, die auf US-Servern betrieben werden, können unter US-Gerichtsbarkeit zur Herausgabe verpflichtet werden — das Cloud Act ist ein reales Risiko für sensible Verfahrensdaten.

Empfehlung: Für Anfechtungsanalyse nur Anbieter nutzen, die explizit deutsches oder EU-Hosting mit AVV anbieten. Bei Verfahren mit strafrechtlichem Berührungspunkt vorab Rücksprache mit dem zuständigen Gericht oder Staatsanwaltschaft halten.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Spezialsoftware (InsoHiwi, Winsolvenz Legal Twin): Implementierung und Einrichtung 1–3 Wochen intern, externe Einführungsunterstützung nach Anbieter-Angebot. Schätzungsweise 1.000–5.000 € einmaliger Aufwand, abhängig von Komplexität der Buchführungsschnittstellen
• Generalist-Ansatz (Julius AI + Claude): Konfiguration und Prompt-Entwicklung 2–4 Tage intern; keine Einrichtungsgebühren

Laufende Kosten (monatlich)

• InsoHiwi: Subscription auf Anfrage (keine öffentlichen Preise) — On-Demand-Analyse als Alternative für seltene Nutzung
• Winsolvenz Legal Twin AI Smart Claims: Aufpreis auf bestehende Winsolvenz-Lizenz, auf Anfrage
• Julius AI: 0 € (Freemium) bis 20 USD/Monat (Plus-Plan für größere Datensätze)
• Claude (für Begründungsentwürfe): 20 USD/Monat (Pro) bis 25 USD/Sitz (Team-Plan)

Was du dagegenrechnen kannst In einem mittelgroßen Insolvenzverfahren (Schuldner-Umsatz 5–20 Mio. €) liegt das realistische Anfechtungspotenzial typischerweise zwischen 100.000 und 800.000 €. Wenn eine KI-Analyse die Erkennungsquote von 70 Prozent auf 85 Prozent hebt — eine konservative Einschätzung basierend auf der Vollabdeckungs-Logik regelbasierter Systeme — entspricht das bei 300.000 € Gesamtpotenzial einem Mehrwert von 45.000 € für die Insolvenzmasse. Dem stehen laufende Kosten von einigen Hundert bis wenigen Tausend Euro pro Monat gegenüber.

Hinzu kommt der Zeitfaktor: Eine Verkürzung der Anfechtungsanalyse von fünf Wochen auf eine Woche setzt vier Wochen Kapazität frei — bei einem Verwalter, der vier Verfahren parallel führt, bedeutet das mehr Verfahren pro Jahr oder weniger Hektik und weniger Fristüberschreitungen.

Wie du den Nutzen tatsächlich misst: Vor dem ersten KI-unterstützten Verfahren: Dokumentiere den manuellen Aufwand (Stunden, identifizierte Anfechtungsansprüche, erzielte Rückflüsse) in einem vergleichbaren manuell abgewickelten Verfahren. Nach dem KI-Verfahren: dieselben Metriken. Das ist der einzig belastbare Vergleich — und er gibt dir die Entscheidungsgrundlage für die nächsten Verfahren.

Typische Einstiegsfehler

1. Die KI ohne rechtliche Konfiguration auf die Daten loslassen. Ein allgemeines LLM oder ein Datenwerkzeug wie Julius AI kann Transaktionsdaten strukturieren — aber ohne eingebettete InsO-Rechtslogik (Zeiträume, Tatbestandsmerkmale, Ausnahmen) produziert es nur Muster, keine Anfechtungseinschätzungen. Der häufigste Fehler: Wer den System-Prompt nicht mit den genauen Tatbestandsvoraussetzungen befüllt, bekommt eine Tabellenauswertung, keine juristische Ersteinschätzung. Das führt zu False Positives (hohem Nachprüfaufwand) oder False Negatives (übersehene Ansprüche).

2. Zu schnell vertrauen, zu früh einreichen. Das Stanford-Studie-Befund von 2024 gilt auch hier: Spezialisierte Legal-AI-Systeme produzieren in einem signifikanten Anteil der Fälle fehlerhafte oder unvollständige Einschätzungen. Wer Anfechtungsschreiben auf Basis von KI-Entwürfen versendet, ohne diese juristisch vollständig zu prüfen, riskiert angreifbare Begründungen — und im schlimmsten Fall Haftungsvorwürfe. Der Grundsatz: KI liefert den Aufmerksamkeitsfunnel, die juristische Entscheidung trifft immer der Verwalter.

3. Schlechte Buchungsqualität ignorieren. Die KI analysiert, was sie vorfindet. Buchungsexporte mit falschen Gegenkonto-Zuordnungen, fehlenden Buchungstexten oder unvollständigen Zeiträumen produzieren systematisch fehlerhafte Ergebnisse — und die Fehler sind oft schwerer zu erkennen als bei manueller Prüfung, weil das System trotzdem mit Selbstsicherheit ein Ergebnis liefert. Vor jedem KI-Einsatz: Buchungsexport auf Vollständigkeit und Strukturqualität prüfen. Bei fragmentierter oder chaotischer Buchführung lohnt eine vollständige Datenbereinigung vor der KI-Analyse.

4. Das Wartungs- und Pflegethema vergessen. InsO-Rechtsprechung ändert sich. BGH-Entscheidungen zu § 133 InsO haben in den letzten Jahren die Praxis erheblich verschoben (Stichwort: Einschränkung der Vorsatzanfechtung durch das Reformgesetz 2017). Ein KI-System, das auf der Rechtslogik von 2022 konfiguriert wurde und 2026 unverändert läuft, kann veraltete Einschätzungen liefern. Wer eine eigene Konfiguration aufbaut, muss sie regelmäßig auf aktuelle Rechtsprechungsänderungen prüfen — und das ist kein einmaliger Aufwand.

Was mit der Einführung wirklich passiert — und was nicht

Die Datenanalyse ist der einfache Teil. Die Schwierigkeit liegt woanders.

Das Misstrauen gegenüber dem Ergebnis ist real — und berechtigt. Erfahrene Insolvenzverwalter, die seit Jahren ihrem Erfahrungsurteil vertrauen, werden KI-Ersteinschätzungen zunächst kritisch sehen. Das ist keine irrationale Abwehr, sondern professionell angemessen: Die Haftung liegt bei ihnen, nicht beim KI-System. Was wirklich hilft: keine Ansage, keine Demo — sondern ein paralleler Testlauf. KI analysiert dasselbe Verfahren, das der Verwalter bereits manuell abgeschlossen hat. Dann vergleich Ergebnisse. Wenn die KI zwei Anfechtungsansprüche findet, die manuell übersehen wurden, ist das überzeugender als jedes Pitch-Deck.

Das Datenproblem tritt früher auf als erwartet. In der Planung klingt “CSV-Export aus DATEV” einfach. In der Praxis: Schuldner haben oft mehrere Buchungssysteme, wechselnde Steuerberater, Buchungsperioden mit Lücken. Das erste Verfahren, das man KI-unterstützt analysiert, wird mehrere Tage Datenaufbereitung erfordern. Ab dem zweiten Verfahren weiß man, welche Fragen man dem Steuerberater des Schuldners im Voraus stellen muss.

Die Assistenzkräfte profitieren am stärksten. Wer in der Kanzlei mit der Forderungserfassung beschäftigt ist, spart mit KI-Unterstützung (Legal Twin AI Smart Claims) am meisten Zeit. Die Akzeptanz dort ist typischerweise hoch — die Arbeit wird repetitiver und weniger fehlerträchtig. Wichtig: Frühzeitig einbinden statt überrollen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Ich hafte für das Ergebnis — ich kann das nicht einer KI überlassen.” Richtig. Und das macht hier niemand. Die KI ist ein strukturierter Aufmerksamkeitsfunnel, keine Entscheidungsinstanz. Der Unterschied zur manuellen Methode: Statt 67.000 Buchungen persönlich zu sichten, bewertest du 200 vorselektierte Fälle, die algorithmisch als anfechtungsrelevant markiert wurden. Die juristische Entscheidung — klagen oder nicht — triffst weiterhin du, mit allen Haftungskonsequenzen. Die KI erhöht die Wahrscheinlichkeit, dass du die richtigen 200 Fälle bekommst.

„Unsere Buchführungsqualität ist zu schlecht für KI.” Das ist der häufigste und ernsteste Einwand — und er ist manchmal berechtigt. Wenn Buchhaltungsexporte fehlerhaft, lückenhaft oder gar nicht vorhanden sind, kann keine KI etwas leisten. Das ist ein Ausschlusskriterium (sieh unten). Aber: Auch manuelle Prüfung versagt bei fehlender Buchführung. Die Frage ist dann nicht KI vs. manuell, sondern: Kann das Verfahren überhaupt wirtschaftlich analysiert werden?

„Das Datenschutzrisiko ist zu groß.” Für Cloud-Anbieter mit US-Hosting (Claude Consumer-App, Julius AI Standard): Das Argument ist berechtigt — verwende diese für Insolvenzdaten nicht. Für InsoHiwi mit deutschem Hosting oder Winsolvenz mit EU-Hosting: Das Datenschutzargument zieht nicht. AVV ist verfügbar, Hosting ist EU-konform. Der Prüfaufwand ist vergleichbar mit jedem anderen Software-Einsatz im Kanzleibetrieb.

Haftung und Dokumentation: Wann du das KI-Ergebnis nicht blind unterschreiben darfst

Das ist die Sektion, die andere Anbieter gerne weglassen.

Der Insolvenzverwalter haftet nach § 60 InsO persönlich für Schäden, die durch schuldhafte Pflichtverletzungen entstehen. Zu diesen Pflichten zählt: die Insolvenzmasse durch alle zumutbaren rechtlichen Mittel zu maximieren — einschließlich der Geltendmachung von Anfechtungsansprüchen. Wer nachweislich erkennbare Anfechtungsansprüche nicht geltend macht, kann von Gläubigern in Regress genommen werden.

Was das für den KI-Einsatz bedeutet:

Erstens: KI-Analyse schützt dich nur dann vor Haftungsvorwürfen, wenn sie dokumentiert und methodisch nachvollziehbar ist. Ein Anfechtungsprüfbericht muss zeigen, dass du alle relevanten Transaktionen erfasst, nach einem definierten Schema geprüft und begründet entschieden hast — auch wenn du manche als nicht anfechtbar eingestuft hast. Dieser Nachweis ist mit KI leichter zu führen als mit manueller Prüfung, weil das System Protokollierbarkeit bietet.

Zweitens: Ein KI-Ergebnis, das du nicht inhaltlich verstehst und nicht juristisch überprüft hast, ist kein Schutz — es ist eine neue Haftungsquelle. Wer blind auf KI-Ersteinschätzungen vertraut und Anfechtungsklagen einreicht, die bei näherer Prüfung offensichtlich unbegründet sind, hat einen neuen Pflichtverstoß begangen.

Drittens: Halluzinationen bei legal-spezifischen KI-Aufgaben sind dokumentiert. Die Stanford Law School fand in einer 2024 veröffentlichten Studie, dass spezialisierte Legal-AI-Tools (Lexis+ AI, Ask Practical Law AI) in mehr als 17 Prozent ihrer Antworten fehlerhafte oder irreführende Informationen enthielten. Für Buchungsdaten-Analyse sind Halluzinationen im LLM-klassischen Sinne weniger relevant — die Zahlen kommen aus dem Export, nicht aus dem Modell. Aber: Falsche rechtliche Einordnungen (welche Norm, welche Frist, welche Ausnahme) sind ein reales Risiko.

Praktische Konsequenz: Führe für jedes KI-unterstützte Verfahren ein Freigabeprotokoll. Es hält fest: Welche Transaktionen wurden der KI übergeben, welche Methodik wurde angewendet, welche KI-Ersteinschätzungen wurden juristisch übernommen oder verworfen und warum. Das ist kein bürokratischer Zusatzaufwand — es ist der Unterschied zwischen einer nachvollziehbaren professionellen Entscheidung und einer nicht vertretbaren Blackbox-Entscheidung.

Woran du merkst, dass das zu dir passt

• Du verwaltest typischerweise mehr als 5 gleichzeitig laufende Regelinsolvenzverfahren und hast das Gefühl, bei der Anfechtungsanalyse systematisch unter Zeitdruck zu geraten
• Dein letztes Verfahren hatte einen Buchungsbestand von mehr als 10.000 Zeilen im maßgeblichen Rückblickzeitraum — der Bereich, ab dem manuelle Vollprüfung unrealistisch wird
• Du nutzt bereits DATEV, SAP oder ein anderes strukturiertes Buchführungssystem — damit ist der Rohdatenzugriff grundsätzlich machbar
• Du glaubst, dass du bei der Erkennung von § 133/134-Fällen systematisch weniger sorgfältig bist als bei den offensichtlicheren § 130/131-Fällen — weil die langen Zeiträume schwer zu überblicken sind
• Deine Assistenzkräfte verbringen signifikante Zeit mit manueller Forderungserfassung in Verfahren mit vielen Gläubigern

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Zu wenige komplexe Verfahren. Wer überwiegend Verbraucherinsolvenzen oder sehr kleine Regelverfahren verwaltet (Schuldner ohne nennenswerte Unternehmenstätigkeit), hat schlicht kein signifikantes Anfechtungspotenzial. Die KI-Analyse kostet Einrichtungsaufwand, der sich bei Verfahren mit 5.000 Buchungen und klarer Gläubigerstruktur schlicht nicht rechnet.

2. Keine auswertbare Buchführung vorhanden. Wenn der Schuldner die Buchführung nicht geführt hat oder die Unterlagen vernichtet wurden: KI hat keine Grundlage für Analyse. Manuell auch nicht. Das ist dann ein Problem der Sachverhaltsermittlung, kein Fall für ein Analysetool.

3. Kein juristisches Know-how für Anfechtungsrecht im eigenen Haus. KI-gestützte Anfechtungsanalyse setzt voraus, dass du die Ergebnisse juristisch bewerten kannst. Wer keine tiefe Spezialisierung auf §§ 130 ff. InsO hat, sollte die KI-Analyse nur in Verbindung mit einem spezialisierten Insolvenzrechtler nutzen — nicht als Ersatz für fehlendes Fachwissen.

Das kannst du heute noch tun

Lade einen DATEV- oder SAP-CSV-Export aus einem bereits abgeschlossenen Verfahren herunter — ein Verfahren, das du gut kennst und das eine überschaubare Größe hat. Öffne Claude (Pro-Plan oder Team-Plan, für DSGVO-Compliance idealerweise via Bedrock) und füge den Export ein.

Nutze diesen Prompt als Ausgangspunkt:

Quellen & Methodik

• Septeo (STP Informationstechnologie AG): Pressemitteilung und Produktseite zu Legal Twin AI Smart Claims für Winsolvenz, September 2024 — Pilotergebnis: bis zu zwei Drittel weniger Bearbeitungszeit bei der Forderungserfassung. itiko.de, September 2024
• Dr. Sophia Fälschle, Hoffmann Liebs Düsseldorf: “Künstliche Intelligenz in der Krisenberatung (Teil 1)”, Deutscher Anwalt Spiegel, 2025/2026 — Praxiseinblick in KI-Anwendungen bei StaRUG-Verfahren, Vertragsportfolio-Screening und Finanzmodell-Prüfung.
• Buchalik Brömmelkamp Rechtsanwälte/Steuerberater: “KI und Digitalisierung in Insolvenzverfahren”, 2024 — Verlagerung des Verwalter-Zeitaufwands von manueller Datendurchsicht zu Analyse und Strategie.
• Stanford Law School / Magesh et al.: “Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools”, Journal of Empirical Legal Studies, 2024/2025 — Halluzinationsrate bei spezialisierten Legal-AI-Tools LexisNexis und Thomson Reuters: mehr als 17 % der Abfragen enthielten fehlerhafte oder irreführende Informationen. Stanford HAI, 2024
• InsoHiwi GmbH: Produktbeschreibung auf insohiwi.de (Stand Mai 2026) — Plattform für forensische KI-Analyse in Insolvenzverfahren, §§ 130–135 InsO, deutsches Hosting.
• §§ 129–146 InsO: Insolvenzordnung in der ab 2017 geltenden Fassung (Änderungen durch das Gesetz zur Reform des Anfechtungsrechts, insbesondere Einschränkung der Vorsatzanfechtung § 133 InsO).
• Erfahrungswerte zur Erkennungsquote und Zeitaufwand basieren auf Praxisangaben aus spezialisierten Insolvenzrechtskanzleien; keine repräsentative Studie — Einzelne Verfahren können erheblich abweichen.

Du verwaltest Insolvenzverfahren und fragst dich, ob der KI-Einsatz in deinem konkreten Portfolio sinnvoll wäre? Meld dich — wir besprechen das anhand deiner tatsächlichen Verfahrensstruktur, nicht anhand von Beispielen.